买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：淮阴工学院

摘要：本发明公开了一种融合非临近跳连与多尺度残差结构的小目标车辆检测方法，针对YOLOv5s算法在小目标车辆检测中出现的漏检、误检和目标轮廓特征模糊等问题。本发明创新性的提出了一种非临近跳连与多尺度残差结构的小目标车辆检测模型NHN‑YOLOv5s‑MREFE。通过设计4种不同尺度的检测层，专门用于微小车辆的检测。引入反卷积、并行策略丰富图像特征，并构建非临近跳连特征金字塔结构（NHN）强化非临近层次的信息交互。设计多尺度残差边缘轮廓特征提取策略（MREFE）减少复杂环境对检测精度的影响，同时引入K‑means++聚类算法加速模型收敛，共同提升YOLOv5s模型的检测性能。最后，通过设计消融实验并通过多场景的对比分析，验证了NHN‑YOLOv5s‑MREFE模型检测性能的优越。在有效减少漏检率和误检率的同时，能够精准快速的检测出形态多变、边缘模糊、尺寸微小的小目标车辆。

主权项：1.融合非临近跳连与多尺度残差结构的小目标车辆检测方法，其特征在于，包括以下步骤：1获取目标数据并进行预处理，完成数据集的制作；2对基准模型YOLOv5s的网络结构，包括主干网络Backbone、颈部网络Neck和检测头Head进行优化、改进，构建一种全新的网络模型NHN-YOLOv5s-MREFE，具体包括：2.1设计4种不同尺度的检测层，模型根据自身感受野大小，针对性地负责不同尺寸车辆的检测，实现过程：在NHN-YOLOv5s-MREFE模型中，对640×640大小的输入图像分别进行4倍、8倍、16倍和32倍的下采样，生成4种不同尺度的特征图；使Anchor尺寸随着下采样倍数的增大而增大，个数由原来的9个增加到12个；2.2借鉴DenseNet密集跳连的思想，构建一种非临近跳连特征金字塔结构Non-adjacentHopNetwork，NHN，通过跳连相加策略，在强化非临近层次信息交互的同时融合更多未被影响的原始信息，解决位置信息在传递过程中被逐渐稀释的问题，有效降低了基准模型的误检率，实现过程：S1：基于卷积神经网络固有的金字塔结构，通过并行策略分别构建了一条自顶向下和一条自左向右的传播路径，使深层的语义信息向浅层传递，浅层的位置信息向深层融合；S2：增加跳连相加策略，在强化各层次信息交互的同时融合了更多未被影响的原始信息，解决了位置信息在传递过程中被逐渐稀释的问题，有效降低了基准模型的误检率；2.3设计一种多尺度残差边缘轮廓特征提取策略，遵循特征逐渐细化的原则，构建多尺度残差结构，采用双分支并行的方法捕获不同层级的多尺度信息，通过多尺度下的高语义信息与初始浅层信息的逐像素作差实现图像边缘特征提取，进而辅助NHN-YOLOv5s-MREFE网络模型完成目标分类，实现过程：S1：通过2D卷积、反卷积对NHN输出的特征图Fi,j的尺寸和通道数进行调整；S2：对多尺度下的高语义信息与初始浅层信息作差，完成车辆轮廓信息的提取，公式： 式中，Ei,j表示提取到的边缘轮廓信息；Fi,j表示通过执行步骤S1得到的高语义信息特征图，其尺寸和通道数与Xi,j相同；Xi,j表示特征提取阶段由主干网络输出的特征图；W、H分别表示特征图所对应的网格单元gridcell；S3：将边缘轮廓信息Ei,j与丰富的高语义信息Fi,j进行多尺度特征的相加融合，使车辆轮廓更加明晰，公式： 式中，Outi,j表示边缘轮廓信息Ei,j与特征图Fi,j相加融合之后的输出；S4：分别由SiLu函数和1×1的卷积对Outi,j完成激活操作和特征压缩后，输出结果；2.4采用K-Means++算法使聚类中心分散化，促使结果达到全局最优，加速NHN-YOLOv5s-MREFE模型收敛，实现过程：NHN-YOLOv5s-MREFE模型采用K-Means++聚类算法尽可能让聚类中心更加分散，生成了12组不同宽高比的Anchor，促使结果达到全局最优；3根据实验环境，设置网络模型参数并进行训练；4设置消融实验和对比实验，验证模型的检测性能，评估指标包括：精确率Precision,P、召回率Recall,R、平均精度均值meanaverageprecision,mAP、单位时间图像检测数量framespersecond,FPS和模型参数量Params。

全文数据：

权利要求：

百度查询： 淮阴工学院 融合非临近跳连与多尺度残差结构的小目标车辆检测方法